一种基于深度神经网络的空间目标尺寸估计方法技术

本发明专利技术公开了一种基于深度神经网络的空间目标尺寸估计方法。本发明专利技术的方法利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本文方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。

A Method of Spatial Target Size Estimation Based on Depth Neural Network

【技术实现步骤摘要】
一种基于深度神经网络的空间目标尺寸估计方法
本专利技术属于神经网络和空间目标特征提取
，涉及一种基于深度神经网络的空间目标尺寸估计方法。
技术介绍
空间目标识别技术是空间太势感知系统的关键技术之一，其主要的作用是提取空间目标的特征信息，而空间目标的结构和尺寸信息是一种显著的特征，有利于后续对空间目标进行识别。雷达散射截面积(RCS)作为窄带信息，包含了目标丰富的特征，如何从空间目标RCS序列中提取结构和尺寸信息具有重要意义。然而空间目标RCS序列受到目标形状、姿态以及散射特性等多种因素的影响，导致空间目标RCS序列为非平稳信号，加大了数据处理的难度。传统的空间目标尺寸估计方法通过应用大量RCS实测数据，将空间碎片等效为球体，建立了空间目标尺寸估计模型。随后通过改进，提出椭球体模型，利用划定门限的方法估计椭球体的短轴和长轴。但是这些方法需要形成RCS与目标尺寸的映射关系，还要得到大量的实测数据，但由于实际情况限制，实测数据并不容易获取。并且特征尺寸映射模型存在误差，通过此模型将RCS序列中每个值都转换为尺寸再进行处理加大了估计误差。
技术实现思路
针对上述问题，本专利技术提出一种基于深度神经网络的空间目标尺寸估计方法，本专利技术将将空间目标等效为椭球体，对空间目标的尺寸估计等同为估计椭球体短轴和长轴，虽然将空间目标等效为椭球体会丢失空间目标的一些信息，但是经过工程应用验证，此简化模型具有实用价值。本专利技术的方法将空间目标等效为椭球体，但是不再需要预先建立空间目标尺寸映射模型，而是通过深度神经网络建立空间目标RCS序列和目标尺寸之间的关联，经过深度神经网络进行训练后，能够减少传统方法对尺寸估计结果的影响，提高尺寸估计的准确性。本专利技术的技术方案是，设空间目标的RCS序列为{rcs1,rcs2,rcs3...,rcsN}，将空间目标等效为椭球体，则对空间目标的尺寸估计主要是估计其短轴和长轴，本专利技术估计空间目标尺寸的深度神经网络结构如图1所示：基于深度神经网络的空间目标尺寸估计的步骤如下：Step1网络初始化，本专利技术使用的深度神经网络输入层为空间目标的RCS序列即{rcs1,rcs2,rcs3...,rcsN}，输出层为空间目标的短轴和长轴即{o1,o2}，学习率为η，激励函数为g(x)。其中激励函数g(x)取sigmoid函数，表达式为：Step2计算深度神经网络每一层的输出：aj1＝rcsj(2)ajl＝g(∑ωjklajl-1+bjl)(3)其中，aj1表示输入层的输出值，也就是原始的RCS序列。当2≤l≤M时，ajl表示第lth层中第jth神经元的输出值，ωjkl表示从神经网络第(l-1)th层中第kth神经元到第lth层中第jth神经元的连接权重，bjl表示第lth层中第jth神经元的偏置。从上面可以看出使用代数法表示输出比较复杂，可以将上面的公式改写为矩阵表示：al＝g(zl)＝g(Wlal-1+bl)(4)其中，zl表示第lth层未激活前的线性输出。Step3取深度神经网络所有输出层节点的均方误差作为目标函数，即对于每个样本，我们期望最小化下面的公式：使用梯度下降算法进行优化，计算输出层的误差：σjM＝ajM(1-ajM)(oj-ajM)(6)其中，σjM是输出层第jth神经元的误差项，ajM表示输出层第jth神经元的输出值，oj表示样本对应于输出层第jth神经元的目标值。Step4计算当前层所有节点的误差需要先计算与其相连的下一层节点的误差项，然后通过误差反向传播算法，得到隐藏层误差的表达式为：σjl＝ajl(1-ajl)Wl+1σjl+1(7)其中，σjl第lth层中第jth神经元的误差项，ajl表示第lth层中第jth神经元的输出值，Wl+1表示第lth层和第(l+1)th层的权值所组成的权值矩阵，σjl+1第(l+1)th层中第jth神经元的误差项。Step5当所有节点的误差项都计算完毕后，根据下面的表达式来更新深度神经网络每一层的权值和偏置：Step6结束算法迭代，有很多方法可以判断算法是否已经收敛，比如通过指定迭代次数或者判断相邻两次误差之间的差值是否小于指定的值。获得深度神经网络参数后，即可采用深度网络根据空间目标的RCS序列对空间目标尺寸进行估计。本专利技术的有益效果为，本专利技术利用深度神经网络进行预训练，建立空间目标RCS序列和尺寸之间的关系，将未知尺寸信息的空间目标RCS序列输入到训练后的深度神经网络中，最后得到空间目标的尺寸估计结果。与传统的空间目标尺寸估计方法相比，本专利技术的方法无须预先通过人工方式建立目标尺寸估计模型，而且利用深度学习机理来自动学习表征目标尺寸与目标RCS数据序列之间的内在关联，提高了空间目标尺寸估计的准确性。附图说明图1为深度神经网络结构图。具体实施方式下面结合仿真示意说明本专利技术方案的有效性。仿真实验参数为：雷达载频为10GHz,雷达与卫星中心的距离为400KM，雷达的方位角为30度，俯仰角为15度，卫星自旋周期为60转/分钟，采样点数为100，信噪比设置为15dB。深度神经网络参数为：输入层的维数为100，输出层的维数为2，隐藏层的维数分别为150、200、150，学习率为0.009，迭代次数为5000。选取的六个空间目标的尺寸分别为：目标1：短轴4.70m，长轴6.80m；目标2：短轴4.00m，长轴6.60m；目标3：短轴3.1m，长轴5.20m；目标4：短轴4.60m，长轴5.40m；目标5：短轴3.40m，长轴5.80m。采用传统方法和本专利技术的方法进行估计的对比结果如表1表1两种方法的空间目标尺寸估计结果(相对误差)从实验结果可以看出，使用传统的方法对空间目标进行尺寸估计的整体相对误差为30.4％，其中短轴估计的平均相对误差为40.8％，长轴估计的平均相对误差为20.0％；本专利技术提出的基于深度神经网络对空间目标进行尺寸估计的方法整体相对误差为5.0％，其中短轴估计的平均相对误差为3.4％，长轴估计的平均相对误差为6.5％。目标的短轴和长轴反映了目标的形状信息，具有明显的物理意义，有利于后续的空间目标分类与识别，而本专利技术提出的方法能够有效地估计空间目标的短轴和长轴。本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的空间目标尺寸估计方法，定义空间目标的RCS序列为{rcs1,rcs2,rcs3...,rcsN}，将空间目标等效为椭球体，对空间目标的尺寸估计等同为估计椭球体短轴和长轴，其特征在于，包括以下步骤：S1、令深度神经网络输入层为空间目标的RCS序列即{rcs1,rcs2,rcs3...,rcsN}，输出层为空间目标的短轴和长轴即{o1,o2}，学习率为η，激励函数为g(x)；其中激励函数g(x)取sigmoid函数，表达式为：

【技术特征摘要】
1.一种基于深度神经网络的空间目标尺寸估计方法，定义空间目标的RCS序列为{rcs1,rcs2,rcs3...,rcsN}，将空间目标等效为椭球体，对空间目标的尺寸估计等同为估计椭球体短轴和长轴，其特征在于，包括以下步骤：S1、令深度神经网络输入层为空间目标的RCS序列即{rcs1,rcs2,rcs3...,rcsN}，输出层为空间目标的短轴和长轴即{o1,o2}，学习率为η，激励函数为g(x)；其中激励函数g(x)取sigmoid函数，表达式为：S2、计算深度神经网络每一层的输出：aj1＝rcsjajl＝g(∑ωjklajl-1+bjl)其中，aj1表示输入层的输出值，也就是原始的RCS序列，当2≤l≤M时，ajl表示第lth层中第jth神经元的输出值，ωjkl表示从神经网络第(l-1)th层中第kth神经元到第lth层中第jth神经元的连接权重，bjl表示第lth层中第jth神经元的偏置；将上面的公式改写为矩阵表示：al＝g(zl)＝g(Wlal-1+bl)其中，zl表示第...

【专利技术属性】
技术研发人员：周代英，李雄，赖陈潇，黎晓烨，冯健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51